低光遥感图像增强的空域-频域双域特征融合网络

低光遥感图像通常具有高分辨率和高空间复杂性，场景中的表面特征在空间上连续分布。这种空间连续性导致遥感图像在空间域内存在广泛的长程相关性。依赖局部相关性进行远距离建模的卷积神经网络在处理此类图像时难以建立长程相关性。另一方面，专注于全局信息的变换器方法在处理高分辨率遥感图像时面临高计算复杂度。从另一个角度看，傅里叶变换可以在不引入大量参数的前提下计算全局信息，使网络能够更有效地捕获整体图像结构并建立长程相关性。因此，我们提出了一种双域特征融合网络(DFFN)用于低光遥感图像增强。具体而言，将这一具有挑战性的低光增强任务划分为两个更易管理的子任务：第一个阶段学习�幅信息以恢复图像亮度，第二个阶段学习相位信息以细化细节。为促进两个阶段之间的数据交换，我们设计了一种信息融合仿射块，将来自不同阶段的数据按不同尺度进行融合。此外，我们构建了两个暗光遥感数据集，以弥补当前暗光遥感图像增强领域数据不足的不足。广泛的评估表明，我们的方法在已有最先进方法上取得了优异的性能。代码已公开于https://github.com/iijjlk/DFFN。